[发明专利]将深度学习集成到广义加性混合效应（GAME）框架中

权利要求书

1.一种系统，包括：

计算机可读介质，其上存储有指令，所述指令当由处理器执行时，使得所述系统：

获得从社交网络服务中的数据导出的第一组特征；

将所述第一组特征馈送到第一深度学习模型中以生成第一预测，所述第一深度学习模型包括神经元的多个全连接层，所述第一预测是通过将所述第一组特征传递给所述多个全连接层中的第一全连接层来生成的，所述第一全连接层连续地将特征传递给所述多个全连接层中的另一个全连接层直到到达所述多个全连接层中的最终全连接层为止，所述最终全连接层使用第二组特征来输出所述第一预测；

获得从所述社交网络服务中的数据导出的第三组特征；

将所述第三组特征馈送到广义加性混合效应(GAME)模型中，所述GAME模型包括固定效应训练部分和随机效应训练部分，所述固定效应训练部分使用所述第三组特征，所述随机效应训练部分使用第四组特征；以及

在训练所述固定效应训练部分和所述随机效应训练部分期间，利用来自所述第一深度学习模型的所述第二组特征来扩增所述第三组特征或所述第四组特征，使得基于由所述第一深度学习模型学习的所述第二组特征来训练所述GAME模型。

2.如权利要求1所述的系统，其中所述指令还使得所述系统：

获得通过所述固定效应训练部分或所述随机效应训练部分的批量梯度下降学习的权重；以及

使用所述权重来训练所述第一深度学习模型的所述第一全连接层。

3.如权利要求1所述的系统，其中，所述指令还使得所述系统：

获得从社交网络服务中的数据导出的第五组特征；

将所述第五组特征馈送到第二深度学习模型中以生成第四预测，所述第二深度学习模型包括神经元的第二多个全连接层，所述第四预测是通过将所述第五组特征传递给所述第二多个全连接层中的第一全连接层来生成的，所述第一全连接层连续地将特征传递给所述第二多个全连接层中的另一个全连接层直到到达所述第二多个全连接层中的最终全连接层为止，所述最终全连接层使用第六组特征来输出所述第四预测。

4.如权利要求3所述的系统，其中，所述指令还使得所述系统：

在训练所述固定效应训练部分和所述随机效应训练部分期间，利用来自所述第二深度学习模型的所述第六组特征来扩增所述第三组特征或所述第四组特征，使得基于由所述第二组深度学习模型学习的所述第二组特征来训练所述GAME模型。

5.如权利要求1所述的系统，其中，所述第一组特征和所述第二组特征是相同的。

6.如权利要求1所述的系统，其中，所述第一预测是预测与所述第二预测相同类型的输出。

7.如权利要求1所述的系统，其中，所述第一预测是预测与所述第三预测相同类型的输出。

8.一种计算机化方法，包括：

获得从社交网络服务中的数据导出的第一组特征；

将所述第一组特征馈送到第一深度学习模型中以生成第一预测，所述第一深度学习模型包括神经元的多个全连接层，所述第一预测是通过将所述第一组特征传递给所述多个全连接层中的第一全连接层来生成的，所述第一全连接层连续地将特征传递给所述多个全连接层中的另一个全连接层直到到达所述多个全连接层中的最终全连接层为止，所述最终全连接层使用第二组特征来输出所述第一预测；

获得从所述社交网络服务中的数据导出的第三组特征；

将所述第三组特征馈送到广义加性混合效应(GAME)模型中，所述GAME模型包括固定效应训练部分和随机效应训练部分，所述固定效应训练部分使用所述第三组特征，所述随机效应训练部分使用第四组特征；以及

在训练所述固定效应训练部分和所述随机效应训练部分期间，利用来自所述第一深度学习模型的所述第二组特征来扩增所述第三组特征或所述第四组特征，使得基于由所述第一深度学习模型学习的所述第二组特征来训练所述GAME模型。